Literature review of wetland remote sensing and mapping

Venter, Z.S., Nowell, M.S., Bakkestuen, V., Ruud, A., Kruse, M., Skrindo, A.B., Kyrkjeeide, M.O. & Singsaas, F.T. 2021. Literature review of wetland remote sensing and mapping. NINA Rapport 2014. Norsk institutt for naturforskning.\nDet er et nasjonalt mål at alle økosystemer skal ha god tilstand (nasjonalt mål 1 for naturmangfold) (Norges miljømål - Miljøstatus for Norge (miljodirektoratet.no)). Dette gjelder også for våtmark. Videre har Stortinget vedtatt mål om å restaurere 15% av økosystemer som har forringet tilstand, til god økologisk tilstand innen 2025 (Sak - stortinget.no, Meld. St. 14, 2015-2016). For å kunne nå nasjonale miljømål samt å prioritere riktig ved restaurering eller andre tiltak, er det er det nødvendig med kunnskap om status og utvikling av økosystemenes utbredelse og tilstand. Kartlegging, overvåking og forskning er nødvendig for å gi et godt og solid kunnskapsgrunnlag for forvaltningsbeslutninger og politiske prioriteringer.\nKartlegging og overvåking av natur er kostbart, og det er nødvendig å utarbeide effektive metoder som gir tilstrekkelig god kunnskap. Bruk av fjernmålte data gir en mer kostnadseffektiv kunnskapsinnhenting og det muliggjør innhenting av arealdekkende data med jevne mellomrom (altså overvåkingsdata). Dette gir tilgang til store og verdifulle datasett for status og utvikling, gitt at de gir tilstrekkelig informasjon om det som skal overvåkes, og gitt at det er bygget opp en datainfrastruktur og gode kartløsninger for sluttbruker. Bruk av fjernmålte data vil kunne gi norsk naturforvaltningen tilgang til et bedre kunnskapsgrunnlag for forvaltning av våtmark. Det gjelder kanskje aller mest for naturtyper som myr og annen våtmark som er stadig under press for forringelse og som i tillegg har vært lite prioritert kartlagt for eksempel i fjellområdene.\nI denne rapporten presenterer vi en systematisk litteraturgjennomgang av vitenskapelig litteratur kombinert med innhenting av informasjon fra relevante fagmiljøer for kartlegging, overvåking og tilstandsvurdering av våtmark fra fjernanalyse. I prosjektet er det gjort en rekke vurderinger som grunnlag for forslag til løsninger og prioriteringer. Forslagene svarer på spørsmålene i spesifikasjonslisten som direktoratet har satt opp for oppdraget, og er gjennomført i samsvar med de presiseringer, avgrensninger og definisjoner som ble gjort i samråd med oppdragsgiver.\nI tillegg til litteraturgjennomgangen innhentet vi informasjon fra et utvalg av nasjonale og internasjonale eksperter der vi kartla erfaringer med fjernmåling av våtmark. I tråd med hva Miljødirektoratet ønsket, ble dette gjort for å komplettere funn i litteraturgjennomgangen.\nVi utførte et systematisk litteratursøk ved å bruke prinsipper for beste praksis skissert i Moher et al. (2009). Vi brukte Web of Science og SCOPUS-databaser for søk i alle relevante engelskspråklige artikler, review-artikler, bok- og konferansekapitler. Søkeordene ble spesifisert i følgende tre kategorier: ‘remote sensing’ (A), ‘wetland’ (B) og ‘mapping methods’ (C), og de ble atskilt ved bruk av de boolske operatorene AND og ELLER. Artikler publisert etter 2015 ble inkludert i studiet. Dette for å begrense datastørrelsen slik at vi fikk tid til å behandle dataene gitt den korte prosjektperioden. Studier etter 2015 ble også valgt fordi vi la til grunn at de har brukt de nyeste kartteknikkene og dataene for fjernmåling, og de dermed er de mest relevante for fremtidig bruk av fjernmåling i kartlegging og overvåking av våtmark i Norge.\nLitteratursøket resulterte i 3235 treff (2059 fra Web of Science, og 2611 fra Scopus med 1435 duplikater). Vi gjennomgikk titlene for disse publikasjonene og sorterte dem ved bruk av eksklusjonskriterier. Etter dette satt vi igjen med de studiene som omhandlet kartlegging av våtmark i innlandet etter 2015 ved bruk av fjernmåling. Tittelscreeningen resulterte i 508 relevante publikasjoner. Vi leste alle disse sammendragene (‘abstract’) og vurderte de etter relevans, noe som resulterte i vi stod igjen med 137 publikasjoner for videre bearbeiding. Videre bearbeiding innebar å lese hele teksten og registrere relevante variabler som kreves for å identifisere de vanligste metodene for fjernmåling (f.eks. sensortype, romlig oppløsning, bakkesannheter) av myr som er relevant for Norge. Til slutt la vi til ytterligere 73 publikasjoner fra Mahdianpari et al. (2020a) sin metaanalyse av fjernmåling av våtmark i Nord-Amerika. Dataene herfra ble tilpasset våre analyser ved blant annet å samle inn tilleggsinformasjon slik at de var i samsvar med de dataene vi hadde hentet ut. Totalt bestod vårt litteratursett deretter av data fra 210 studier.\nVår litteraturundersøkelse viste at de fleste studiene som benyttet fjernmåling til å kartlegge våtmark, ble gjennomført i Canada (61), USA (41) og Kina (38). Det var få studier fra Skandinavia, med kun to i Sverige og to studier i Finland. Det er ikke publisert studier i den akademiske internasjonale litteraturen knyttet til norsk våtmark eller myr og kartlegging av disse fra fjernmåling. I disse tallene har vi ikke inkluder nasjonale rapporter og annet grå litteratur. Disse er diskutert separat i eget delkapittel.\nVåre undersøkelser viser at de fleste studier klassifiserer våtmarker basert på sonering. Soneringen kan bestå i ulike habitater (f.eks. kyst, elvemunning, innlandet), klimasone (f.eks. boreal, alpin) eller arealbruk (f.eks. våtmark vs. jordbruk vs. by). Færre studier definerte våtmarker basert på dominerende arter, struktur, funksjonelle grupper eller temporær dynamikk. Våtmarker ble som oftest forhåndsdefinert og kartlagt i motsetning til andre arealklasser. Dette antyder at det er nødvendig også å definere "ikke-våtmark" når man kan definere "våtmark".\nAntall klasser varierte noe, men svært få studier hadde mer enn 10 klasser i sitt endelige klassifiseringskart. Medianen var 7 klasser. De fleste studier baserte seg på data fra bakkesannheter samlet inn i felt (44 studier), mens 32 studier baserte seg på visuell tolkning av høyoppløselige flyfoto og 28 baserte seg på en kombinasjon av feltdata og bildetolkning. Resultatene viste at 12 studier var avhengige av andre referansedatasett (datasett som ligner på AR5 og N50 i Norge) som bakkesannheter. Kun studiene med referansedataene viste en signifikant sammenheng mellom nøyaktighet i kartproduktet og antall bakkesannheter. Antall sannhetsdatapunkter var lavest for in situ-data (samlet i felt) (median 270 datapunkter), og høyest for referansedatasett (median 1570 datapunkter).\nNær halvparten av studiene brukte satellittdata fra mer enn et tidspunkt. Særlig Landsat ble brukt i langtidsserier for endringsanalyser. Selv om de fjernmålte dataene ble tatt opp på ulike tidspunkter, ble de gjerne satt sammen til å skaffe et produkt og ikke en endringsanalyse.\nFlertallet av studier kartla våtmark/myr på landskapsnivå (<10km2) eller lokalt (> 10km2 & <50000km2), med svært få kartlegging i nasjonale eller kontinentale områder. De som kartla våtmarker i nasjonal skala, inkluderer 5 multitemporale studier i Canada ved bruk av optiske data, to studier i Kina basert på MODIS multitemporal data samt to ‘single date’ studier i USA med PALSAR. De fleste av studiene (73) baserte seg på Landsat-satellitter for å kartlegge våtmarker, etterfulgt av RADARSAT og Copernicus Sentinel-satellittene. Disse satellittdataene har åpen tilgang. Landsat-bilder har også vært tilgjengelige siden 1970-tallet, noe som gjør det guns-tig for historiske studier. Av de dyre sensorene (de som koster > $ 30 / km2) er flybåren LiDAR, UAV og flyfotografering mest brukt.\nNår det gjelder typen klassifiseringsmodell, brukte 125 studier pikselbasert bildeklassifisering og 71 brukte objektbasert. Pikselbaserte klassifiseringsstudier produserte kart med en medianoppløsning på 16m, mens objektbaserte kart ga en median på 10m oppløsningskart. Til tross for dette, var det svært liten forskjell i kartnøyaktighet mellom de to metodene. Resultatene indikerer at antall prediktorvariabler (dvs. bildebånd eller båndindekser) i klassifiseringsmodeller økte kart-nøyaktigheten for objektbasert klassifisering, men hadde ingen effekt for pikselbasert klassifisering. Imidlertid var det en trend at den objektbaserte klassifiseringen ble forsøkt brukt på vanskeligere problemstillinger som for eksempel å skille nært beslektede klasser, noe som vi tolker dithen at objektbaserte metoder skal løse problemene de pikselbaserte metodene ikke har klart hittil. Dette kan forklare at det er liten forskjell mellom nøyaktigheten på metodene selv om de objektbaserte metodene ser ut til å gjøre det generelt litt bedre enn de pikselbaserte. Dette gjenspeiles også i de studiene som sammenligner metodene på like vilkår.\nDe vanligste metodene for maskinlæring som ble brukt til å generere kart over våtmark/myr, var beslutningstrær (f.eks. Random Forest,), etterfulgt av støttevektormaskiner (Support vector machine). Toppmoderne (state-of-art) nevrale nettverksmodeller ble brukt i 13 av studiene, men den anvendte typen maskinlæringsmodell hadde ingen merkbar effekt på kartnøyaktigheten. Ingen av studiene hadde dog tatt i bruk TensorFlow.\nSvært få av publikasjonene (19) kartla økologisk tilstand eller påvirkningsfaktorer. Av de som gjorde det, var de mest kvantifiserte tilstandsfaktorene artssammensetning og oversvømmelses-område. Den eneste påvirkningsfaktoren som ble kvantifisert i studiene, var endring av arealbruk (f.eks. våtmarkskonvertering til jordbruk).\nBasert på litteraturgjennomgangen, ekspertbasert spørreskjema og personlig erfaringer som forskere i NINA, gir vi følgende anbefalinger for kartlegging og overvåking av våtmark i Norge basert på fjernanalyse. Det er viktig å merke seg at disse anbefalingene kan endres betydelig avhengig av de nøyaktige spesifikasjonene for kartleggingsprosjektet (f.eks. budsjett, nøyaktighetskrav osv.).\n• Våtmarkstypologien som brukes, bør være en forening av NiN-systemet og internasjonale sta

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.